Subscribe to RSS
DOI: 10.1055/s-0040-1710689
Kann KI den Workload der Doppelbefundung im Mammographie-Screening-Programm reduzieren?
Zielsetzung Unabhängige Doppelbefundung im Mammographie-Screening-Programm ist mit hohem Arbeitsaufwand verbunden. Untersucht wurde, ob durch Einsatz einer KI-Software ohne Einbußen bei der Sensitivität der Befundungsaufwand reduziert werden könnte.
Material Analysiert wurden pseudonymisierte Screening-Mammographie-Aufnahmen von 103 histologisch gesicherten Brustkrebsfällen, doppelbefundet von 4 Befundern (40-68 Fälle je Befunder).
Methoden Die KI-Software (Transpara™ 1.5.0, ScreenPoint Medical BV, Nijmegen, Niederlande) ordnet jeder Studie einen Punktwert von 1 bis 10 zu, wobei 10 der höchsten Wahrscheinlichkeit für eine bösartige Gewebeveränderung entspricht. In einem Screeningkollektiv wird jeder Kategorie etwa 10 % der unauffälligen Studien zugeordnet (Herstellerkalibrierung). Verglichen wurden die Sensitivitäten der einzelnen Befundungen und die Transparaergebnisse der dazugehörigen falsch negativen Fälle.
Ergebnisse Insgesamt wurden 103 Karzinome durch Doppelbefundung detektiert. In beiden Befundungen, wurden 79 Fälle (76,7 %) als auffällig beurteilt (71 Fälle Transparawert 10, 8 Fälle Wert von 6-9). 24 Fälle (23,3 %) wurden nur von einem Befunder als abklärungsbedürftig eingestuft. Von den 24 Fällen hatten 18 (75 %) einen Transparawert von 10, 4 Fälle einen Wert von 9 und jeweils ein Fall einen Wert von 7 und 4.
Bei einem Screeningkollektiv wäre, unter Berücksichtigung der Herstellerkalibrierung, die Sensitivität unverändert gewesen, wenn 30 % der Aufnahmen (Wert ≤3) nur einfach befundet worden wären. Wenn nur 40 % der Aufnahmen doppelbefundet werden würden (Wert ≥7), wäre die Sensitivität auf 99 % (102/103 Fällen) gesunken.
Zusammenfassung Nur wenige Karzinome zeigen einen niedrigen Transparawert. Der Arbeitsaufwand der Doppelbefundung könnte bei gleichbleibender Sensitivität reduziert werden wenn Fälle mit einem niedrigen Wert nur einfach befundet würden.
#
https://www.abstractserver.com/seno2020/uploads/5-COI-1581664233.pdf
Publication History
Article published online:
24 June 2020
© Georg Thieme Verlag KG
Stuttgart · New York